1.流式數據、批式數據、實時數據、歷史數據的區別：
根據數據處理的時效性，大數據處理系統可分爲批式(batch)大數據和流式(streaming)大數據兩類。
其中，批式大數據又被稱爲歷史大數據，流式大數據又被稱爲實時大數據。
舉個例子來說：我們把數據當成水庫的話，水庫裏面存在的水就是批式大數據，進來的水是流式大數據。
複雜的批量數據處理（batch data processing），通常的時間跨度在數十分鐘到數小時之間。
基於歷史數據的交互式查詢（interactive query），通常的時間跨度在數十秒到數分鐘之間。
基於實時數據流的數據處理（streaming data processing），通常的時間跨度在數百毫秒到數秒之間。
2.實時計算，離線計算，流式計算的區別：
實時計算，強調的是實時。
比如小明要查看他去年一年的消費總額度，那麼當小明點下統計按鈕的時候，服務器集羣就在噼裏啪啦的趕緊計算了，必須在小明能夠忍耐的時間範圍內得出結果。這種計算的背後實現，一般都是冗餘 + 各種高性能部件在做支撐，算法也對實時性做了優化，但實時計算並沒有強調用那種算法，只要能保證高實時性的就行。
實時計算與離線計算的最大區別，就是離線計算是人無法忍耐的時間進行計算，因此人不需要等待，把任務丟給計算機後，自己該幹嘛就去幹嘛。
流式計算，比實時計算要稍微遲鈍些，但比離線計算又實時的多，而且主要強調的是計算方法。
比如，服務器端，有一個值，是記錄小明訂單數量。當小明每買一件東西后，服務端立即發出一個交易成功的事件，該值接收到這個事件後就立即加1。如果用離線計算的方式來做，估計是在查詢時，才慢騰騰的從低速存儲中，把小明的所有訂單取出來，統計數量。流式計算有點像數據庫領域的觸發器，又有些像事件總線、中間件之類的計算模式。
3.離線數據處理與流數據處理的區別：
離線數據處理——批處理 串行計算
流數據處理——流水線 並行計算
如上圖所示，離線數據處理採用的是串行計算，流數據處理採用的是並行計算的方式，相比之下，流數據處理的時效性更好。
4. 目前主流的大數據處理技術體系主要包括hadoop及其衍生系統。
現有的大數據處理系統可以分爲兩類：批處理大數據系統與流處理大數據系統。
以Hadoop爲代表的批處理大數據系統需先將數據匯聚成批，經批量預處理後加載至分析型數據倉庫中，以進行高性能實時查詢。這類系統雖然可對完整大數據集實現高效的即席查詢，但無法查詢到最新的實時數據，存在數據遲滯高等問題。
相較於批處理大數據系統，以Spark Streaming、Storm、Flink爲代表的流處理大數據系統將實時數據通過流處理，逐條加載至高性能內存數據庫中進行查詢。此類系統可以對最新實時數據實現高效預設分析處理模型的查詢，數據遲滯低。然而受限於內存容量，系統需丟棄原始歷史數據，無法在完整大數據集上支持Ad-Hoc查詢分析處理。因此，研發具有快速、高效、智能且自主可控特點的流式大數據實時處理技術與平臺是當務之急。
1、什麼是流式大數據，處理技術、平臺及應用都是什麼？
http://www.duozhishidai.com/article-905-1.html
2、Spark Streaming：大規模流式數據處理
https://blog.csdn.net/lskyne/article/details/37560609
3、什麼是流式數據訪問？
https://www.zhihu.com/question/30083497
4、流式計算和實時計算有什麼區別？
https://www.zhihu.com/question/38996005